基于遥感OBIA和U-Net的土壤侵蚀监测方法研究

2022-06-13赵明海黎飞明牛丽娟

林业调查规划 2022年3期

关键词：土壤侵蚀阈值分辨率

赵明海，黎飞明，王栋，牛丽娟

(陕西铁路工程职业技术学院，陕西渭南 714000)

土壤退化是当今世界的一个主要生态威胁[1-3]。土壤侵蚀通常以滑坡(由雪滑或强降水事件触发)或侵蚀(由雨滴影响和地表水流引起的表土清除过程)的形式自然发生，但也存在人为影响，例如农业活动、牲畜饲养等。

侵蚀过程具有很强的时间和空间动态成分[4-5]，因此需要对时间和空间进行大规模了解和详细制图。然而，由于我国高山地区多，人工采集样本工作量大、成本高，部分地区难以进入，因此无法从地面全面了解正在进行的侵蚀过程。

一种主流的侵蚀研究方法主要是借助于土壤侵蚀模型[6-8]，例如(修订后的)通用土壤流失方程。为了彻底了解潜在的土壤侵蚀威胁，必须将模型输出与观测结果结合起来进行验证。然而该方法适用范围有限，许多经验参数无法直接移植应用。

高分辨率遥感影像的普及与发展为远程评估和绘制裸地及植被覆盖率提供了新的思路[9-10]。该方法可以克服某些限制，例如研究区域的不可接近性或范围过大。基于对象的图像分析(Object-based Image Analysis，OBIA)[11-12]是一种常用于在卫星和航空图像上识别城市和自然“对象”的方法，目前已成功用于绘制各种形式的土壤侵蚀或植被覆盖图。OBIA通过将具有相似特性的像素分组在一起来创建图像片段，然后可以使用专业开发的分类规则或各种机器学习分类器基于对象信息(光谱、空间、纹理和上下文)对图像片段进行分类。OBIA是一种适用于较小研究区域的方法，但大规模研究很难高效管理。这些限制包括处理时间，缺乏工作流程到其他场景的可转移性，以及手动步骤的参与阻碍了项目的有效空间扩展等。

为此，基于OBIA，本文利用U-Net体系结构再现高质量的土壤侵蚀制图。该方法在保证分割准确率的情况下，能够实现全自动化端对端高效处理大规模侵蚀制图。

1 基于对象的图像分析

受OBIA技术启发，提出了一种多分辨率分割算法，用于对具有与对象语义相似属性的像素进行分组。算法输入数据包括遥感图像(RGB)、绿色植被指数和DTM及其衍生指标(坡度、坡向和曲率)等信息。对象语义包含基于所有输入数据的空间、光谱、纹理和上下文属性等信息。所提方法由两个主要部分组成：训练过程和预测过程。为了训练U-Net模型，使用OBIA标签以及遥感图像信息(RGB)和DTM信息。U-Net分配像素概率值，从而提供关于像素属于特定土壤侵蚀类别的可能性的信息。最后，基于概率分配，通过阈值产生分割结果。

图1所示为分割算法流程。首先，基于输入特征集，对人工选择的样本进行随机森林分类器训练，以识别裸露土壤或植被覆盖率降低的地点。随后，根据先前确定的含有裸露土壤或减少植被覆盖对象的典型外观，为额外的决策树分配特定的侵蚀等级。侵蚀等级包括浅层滑坡、牲畜步道和片状侵蚀等。需注意，需要对每个输入图像执行整个工作流，从而提高模型泛化能力。因此，不同输入图像的OBIA标签可认为是从独立模型获得的。

图1 分割算法流程Fig.1 Segmentation algorithm flow

2 基于U-Net的遥感土壤检测

2.1 网络结构

分割算法的核心主要是基于U-Net[13-14]结构(图2)。U-Net是一种典型的全卷积的神经网络，由下采样和上采样组成。

下采样：由两个卷积层组成，其中包含ReLU激活和最大池化层(max-pooling)。每个max-pooling的主要作用是将生成的特征大小减半，而对于后续卷积层，特征的数量将增加一倍。

图2 分割算法网络结构Fig.2 Segmentation algorithm network structure

上采样：包含一系列具有ReLU激活的反卷积层，然后再加两个卷积层和ReLU激活，使得特征恢复为原始图像大小。

从下采样获得的特征映射附加到通过反卷积获得的特征映射中，从而在扩展部分提供细节特征。网络最后为全连接卷积层(1×1)，接着利用softmax激活函数提供最终的分割输出，其中每个通道代表各个类的分割映射。

softmax函数将每个像素的激活重新调整为[0,1]之间。对于输出映射F中的像素f，softmax生成预测pc(f)，即像素f属于类c(c∈{1,L,C})的概率。训练时采用交叉熵损失惩罚错误的类分配，有：

(1)

式中：N=|F|，是图像像素个数；yc(f)是像素f的真类标签值，如果c是正确的类，则为1，否则为0。

对于输入图像中的任意像素f，softmax预测值p(f)定义如下：

p(f)=(p1(f),p2(f),…,pC(f))

(2)

p(f)提供了类c中浅层滑坡、片蚀、牲畜踪迹等类别的概率。

U-Net提供像素级概率并作为输出。对于最终的分割结果，应用不同的概率阈值来控制获得候选段的侵蚀等级。为此，研究只考虑侵蚀类，并确定以像素f概率最大的侵蚀类为主导侵蚀类。如果选择的侵蚀等级概率不满足阈值，则相应的像素视为背景像素。

2.2 训练过程

为了学习如何识别侵蚀点，需要对不同侵蚀等级的精确边界进行U-Net训练。训练标签不足会影响U-Net的时空泛化能力。

为此，本文使用OBIA方法提供高质量训练标签。为有效地处理输入图像，训练时将遥感图像分成大小为194×176 m的块，分别对应0.5 m分辨率下的388×352像素和0.25 m分辨率下的776×704像素。同理，对应的DTM数据(纵横比、曲率和斜率)也按照相同的分块处理。此外，相邻的块之间重叠20 m(分别对应0.5 m和0.25 m分辨率下的40和80像素)。根据网络结构要求，对分辨率较高的分块进行下采样，使所有输入分块的大小为388×352像素。表1所示为训练时相关参数。训练过程中使用Adam优化器，并在Pycharm中TensorFlow环境下实现网络搭建过程。

表1 网络训练参数Tab.1 Network training parameters

2.3 评估过程

在选择合适的概率阈值后，用准确度P、召回率R及其调和平均值F1等指标来评估分割结果的质量。评估时将OBIA和U-Net结果中重叠的对象视为真正(True Positive，TP)，并根据各个片段的面积对真正、假正(False Positive，FP)和假负(False Negative，FN)进行加权。各个指标计算公式如下，

(3)

(4)

(5)

3 仿真与分析

3.1 数据准备

实验数据集由分辨率为0.25～0.5 m的10幅正射遥感影像(网络训练参数如表1所示)构成。光谱信息在可见光范围内(红色、绿色和蓝色光谱带)。所有航空图像的特性(例如空间分辨率、颜色分布和光照条件)略有不同，但总是在7月底—9月初的生长季节进行记录，这也是使用OBIA生成的训练数据集的基础。

3.2 仿真及结果分析

如前文所述，所提的多分辨率分割算法为每个侵蚀等级提供了像素级的概率。此外，通过对像素概率应用阈值进一步处理，从而丰富图像以形成良好的描绘信息。一般来说，选择较低的阈值可以识别大量潜在侵蚀点，但存在虚警情况；较高的阈值会减少虚警数量，但召回率将会降低。概率阈值是一个自由参数，可以根据应用程序需求或用户偏好进行选择。实验时选择0.2和0.8作为分段划分的阈值。此外，数据集中，80%数据作为训练集，20%数据作为验证集。

图3和图4所示为所提模型的性能曲线(训练/验证准确率和损失)。可以看出，模型在138次迭代后可获得最佳性能。